MétaCan
Menu
Retour à la cohorte
Enregistrement W2801524452 · doi:10.1093/sleep/zsy061.1013

1014 Sleep Monitoring in Mild Cognitive Impairment Using Noninvasive, Under the Sheet Sensors

2018· article· en· W2801524452 sur OpenAlexaboutno aff
Ahmed Almaghasilah, Katrina M. Daigle, Christopher J. Gilbert, Ella Sulinski, Jessica Aronis, Ariel Bouchard, Taylor Delp, Clifford M. Singer, Ali Abedi, Marie J. Hayes

Notice bibliographique

RevueSLEEP · 2018
Typearticle
Langueen
DomainePsychology
ThématiqueSleep and related disorders
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésActigraphyMontreal Cognitive AssessmentPolysomnographyAudiologyCardiologySleep (system call)MedicinePsychologyPhysical therapyCognitionInternal medicineCognitive impairmentElectroencephalographyCircadian rhythmPsychiatry

Résumé

récupéré en direct d'OpenAlex

Sleep disorders (SD) are common in people with Mild Cognitive Impairment (MCI) from early Alzheimer’s disease (AD). This study investigated whether a new, inexpensive pressure-sensing technology of sleep monitoring could differentiate MCI patients from age-matched, cognitively normal controls. MCI-diagnosed (n=10) and age-matched controls with normal cognition (NC) (n=10), 65–85 years of age, recruited from a memory disorder clinic and community respectively, were studied in the home (2 nights) with a flat-sheet mattress pressure-sensor device and standard wrist actigraphy (7 nights). Resistive sensor technology, signal processing and statistical inference identified 2 distinct signature biomarkers of SD: high frequency (2–5’), low amplitude movement arousals (MAs) (not measured with standard actigraphy), and respiratory rate (RR). MA and spontaneous movement (SM)-RR coupling; a time series segmentation analysis of respiratory variability linked to MAs. Flat-sheet pressure sensor device-based sleep-wake and full arousals were based on the Kripke algorithm and compared to standard actigraphy. Standard actigraphy algorithm sleep scoring did not discriminate MCI from NC on any sleep variable although immobility trended higher in MCI (p<.06). SM-RR coupling index was significantly lower in MCI relative to NC group (M=0.51, SD=.07 vs. M=0.83, SD=.05) using General Linear Modeling with age as covariate (p<.02). Independent of group, lower SM-RR coupling index predicted higher self-reported sleepiness (p<.02) on the Stanford Sleepiness Scale (SSS) and device sleep fragmentation measure correlated positively with SSS average (r=0.49, p<.01). Home-monitoring in MCI revealed abnormal SM-RR coupling in MCI not detected by standard actigraphy. MA and sleep-related autonomic function (RR) time series suggest a neuroprotective function for this arousal neurocircuity to support respiratory tone, airway patency, and moderate hypoxia during sleep that is impaired in MCI relative to NC and may detect early cognitive decline. N/A.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,139
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,030
Tête enseignante GPT0,317
Écart entre enseignants0,287 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSLEEPMême sujetSleep and related disordersTravaux en français237 207